CN107515118A - 旋转机械轴承故障诊断方法 - Google Patents
旋转机械轴承故障诊断方法 Download PDFInfo
- Publication number
- CN107515118A CN107515118A CN201710806556.3A CN201710806556A CN107515118A CN 107515118 A CN107515118 A CN 107515118A CN 201710806556 A CN201710806556 A CN 201710806556A CN 107515118 A CN107515118 A CN 107515118A
- Authority
- CN
- China
- Prior art keywords
- mrow
- box counting
- bearing
- counting dimension
- variation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明实施例提供了一种旋转机械轴承故障诊断方法,包括:实时采集当前运行状态下的旋转机械轴承的振动信号,并将预设时间段内的多个振动信号作为待检测数据样本;将所述待检测数据样本进行分组,根据分形维数算法计算每组数据的盒维数,并计算盒维数平均值和变异系数;将所述待检测数据样本的盒维数平均值和变异系数分别与标准盒维数和标准变异系数进行比较,以确定所述确定所述旋转机械轴承的状态,其中,所述标准盒维数和标准变异系数根据正常运行状态下旋转机械轴承的振动信号计算得到。本发明实施例利用盒维数和变异系数作为特征向量刻画轴承故障状态,其模式描述和区计算简单、分能力强,能精确的监测到故障的发生、可靠性高。
Description
技术领域
本发明涉及机械故障领域,特别是涉及一种旋转机械轴承故障诊断方法。
背景技术
旋转机械轴承作为旋转机械的关键零部件,其工作状态的好坏将直接影响到整台机械设备的工作状态。旋转机械轴承故障是导致旋转机械设备发生故障的主要原因之一,严重时甚至可能导致重大财产损失。因此,为了避免由旋转机械轴承的机械故障,减少经济损失,对轴承进行状态监测从而保证其正常运行非常有必要。
轴承故障状态诊断方法主要有温度法、油样分析法以及振动法等。由于滚动轴承运行状态好坏往往直接体现在振动信号中,且振动信号便于在线测定运行工况,工程上一般采用振动诊断技术监测和诊断滚动轴承状态。如何从非平稳的状态信号中提取故障信息特征形成待检模式,进而进行模式识别或分类,则成了轴承故障诊断的关键。
其中分形特征由于其模式描述和区分能力强、特征参数少而广泛应用于旋转机械的故障诊断。例如申请号为CN201610450617.2中提出了一种基于分形盒维数和自适应灰色关联理论的滚动轴承故障诊断方法,但所采用分形维数作为特征参数静态的刻画轴承失效过程,而轴承振动状态从早期异常到功能失效是一个逐渐劣化的过程,其在轴承全寿命周期内并非平稳的。而且,仅用分形盒维数作为该振动信号的主导特征向量对故障判断可靠性较低,只有严重的故障出现时才可判别,故障判别的精确度低。
发明内容
鉴于上述状况,有必要针对现有技术中旋转机械轴承故障检测可靠性和精确度较低的问题,提供一种旋转机械轴承故障诊断方法。
本发明实施例提供了一种旋转机械轴承故障诊断方法,包括:
实时采集当前运行状态下的旋转机械轴承的振动信号,并将预设时间段内的多个振动信号作为待检测数据样本;
将所述待检测数据样本进行分组,根据分形维数算法计算每组数据的盒维数,并计算盒维数平均值和变异系数;
将所述待检测数据样本的盒维数平均值和变异系数分别与标准盒维数和标准变异系数进行比较,以确定所述确定所述旋转机械轴承的状态,其中,所述标准盒维数和标准变异系数根据正常运行状态下旋转机械轴承的振动信号计算得到。
上述旋转机械轴承故障诊断方法,其中,所述将所述待检测数据样本的盒维数平均值和变异系数分别与标准盒维数和标准变异系数进行比较,以确定所述确定所述旋转机械轴承的状态的步骤包括:
计算所述待检测数据样本的盒维数平均值和变异系数分别与标准盒维数和标准变异系数的差值,得到第一计算值;
当任意一个所述第一计算值超过对应的误差范围时确定所述旋转机械轴承出现故障。
上述旋转机械轴承故障诊断方法,其中,将所述待检测数据样本进行分组,根据分形维数算法计算每组数据的盒维数,并计算盒维数平均值和变异系数的步骤包括:
将所述待检测数据样本按照第一步长分组得到多个振动信号分析样本;
计算每个所述振动信号分析样本的盒维数,得到盒维数序列;
将所述盒维数序列按照第二步长进行分组得到多个盒维数分析样本,分别计算多个所述盒维数分析样本的平均值和标准方差;
根据所述平均值和所述标准方差计算所述数据样本的变异系数。
上述旋转机械轴承故障诊断方法,其中,所述盒维数Dimk B的计算公式为:
其中,x(k)为第k个振动信号分析样本,δ为盒子的边长,Nδ为分析样本X(k)的总盒数,m为标度数。
上述旋转机械轴承故障诊断方法,其中,所述变异系数的计算公式为:
其中,D(t)为第t个盒维数分析样本,S.D(t)为第t个盒维数分析样本的准差,D(t) av为第t个盒维数分析样本的盒维数均值。
上述旋转机械轴承故障诊断方法,其中,计算所述标准盒维数和标准变异系数的步骤包括:
采集正常运行状态下旋转机械轴承的振动信号,得到轴承振动信号的标准数据样本;
根据分形维数算法计算所述标准样本的盒维数和变异系数,以得到所述标准盒维数和标准变异系数。
上述旋转机械轴承故障诊断方法,其中,所述确定所述轴承出现故障的步骤之后还包括:
将所述待检测数据样本的盒维数平均值和变异系数分别与故障盒维数和故障变异系数进行比对,以确定所述旋转机械轴承所处的故障状态,所述故障盒维数和故障变异系数根据故障状态下旋转机械轴承的振动信号计算得到。
上述旋转机械轴承故障诊断方法,其中,计算所述故障盒维数和故障变异系数的步骤包括:
采集多种故障状态下旋转机械轴承的振动信号,得到多个故障状态数据样本;
根据分形维数算法计算所述故障状态数据样本的盒维数和变异系数,以得到所述故障盒维数和故障变异系数。
上述旋转机械轴承故障诊断方法,其中,所述旋转机械轴承的振动信号通过振动传感器采集。
本发明实施例利用盒维数和变异系数作为特征向量刻画轴承故障状态,其模式描述和区计算简单、分能力强,能精确的监测到故障的发生、可靠性高。且根据比较法确定转机械轴承是否出现故障,其运算过程简单,能够顾快速确定故障。
附图说明
图1为本发明第一实施例中的旋转机械轴承故障诊断方法的流程图;
图2为标度δ下的总盒数Nδ示意图;
图3a、3b、3c分别为旋转机械轴承正常工况下的振动信号的3个标准数据样本示意图;
图3d为实际采集的旋转机械轴承振动信号的示意图;
图4为本发明第三实施例中的旋转机械轴承故障诊断方法的流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
参照下面的描述和附图,将清楚本发明的实施例的这些和其他方面。在这些描述和附图中,具体公开了本发明的实施例中的一些特定实施方式,来表示实施本发明的实施例的原理的一些方式,但是应当理解,本发明的实施例的范围不受此限制。相反,本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
本发明实施例对旋转机械轴承故障进行诊断,实时监测旋转机械轴承的状态,适合于旋转机械如发动机、变速器、电机等的机械设备承轴的状态监测。以便于工作人员能及时发现故障并进行检测,防止事故发生。
实施例1
请参阅图1为本发明第一实施例中的旋转机械轴承故障诊断方法,包括步骤S11~S14。
步骤S11,实时采集运行状态下预设时间段内的旋转机械轴承的振动信号,得到待检测数据样本。
一般一个振动信号无法进行故障诊断分析,况且单凭一个振动信号无法准确的判断旋转机械轴承故障。因此,上述步骤中,实时采集预设时间段内的运行状态下旋转机械轴承的振动信号,并将每一预设时间段采集的旋转机械轴承的振动信号作为待检测数据样本。例如可以将每2s采集的振动信号作为一个待检测数据样本。一个待检测数据样本包含多个振动信号数据。旋转机械轴承的振动信号通过振动传感器进行采集。
步骤S12,将所述待检测数据样本进行分组,根据分形维数算法计算每组数据的盒维数,并计算盒维数平均值和变异系数。
分形包括规则分形和无规则分形两种。规则分形是指可以由简单的迭代或者是按一定规律所生成的分形,无规则分形是指不光滑的,随机生成的分形,例如本实施例中的分形则为无规则分形,而维数是描述分形最主要的参量。
故障诊断的有效性和可靠性主要取却于表征故障特征的主导特征向量的选取。本实施例中,将样本数据的盒维数平均值和变异系数作为旋转机械轴承的振动信号的主导特征向量。具体实施时,根据分形维数算法计算训练数据样本或待检测数据样本的盒维数和变异系数的步骤包括S121~S124:
步骤S121,将待检测数据样本{xi|i=1,2,…,n}按照第一步长cellmax分组得到多个振动信号分析样本,X(k)={x(k) j|j=1,2,…,cellmax},其中cellmax≤n,k=1,2,…,K,K=ceil(n/cellmax)。
第一步长为盒子的最大长度,即Cellmax,一般Cellmax是一个小于n的整数,例如n=1024,设cellmax=200。则首先按200个数将数据分析样本{xi|i=1,2,…,n}分组,所以K=ceil(1024/200)=6,得到6个振动信号分析样本X(k);再然后根据X(k)求盒维数Dimk B,k是第1~6组的序号,每组200个数,j=1~200。
步骤S122,计算每个所述振动信号分析样本的盒维数,得到盒维数序列。
如图2所示,上述步骤中,首先计算不同标度δ下的分析样本X(k)总盒数Nδ,盒维数的计算公式如下:
其中,x(k)为第k个振动信号分析样本,δ为盒子的边长,Nδ为分析样本X(k)的总盒数,m为标度数。
步骤S123,将所述盒维数序列按照第二步长进行分组得到多个盒维数分析样本,分别计算多个所述盒维数分析样本的盒维数平均值和盒维数标准方差。
分别计算振动信号分析样本X(1)~X(6)的盒维数Dimk B,得到盒维数序列,该盒维数序列包含6个盒维数。然后取第二步长W<6(如W=3),按照第二步长W对盒维数序列进行分组,得到两个盒维数分析样本,即D(1)={Dim1 B,Dim2 B,Dim3 B},D(2)={Dim4 B,Dim5 B,Dim6 B}。
计算多个D(1)和D(2)的盒维数平均值和标准方差。
其中,D(1) av=(DIM1 B+DIM2 B+DIM3 B)/3;D(2) av=(DIM1 B+DIM2 B+DIM3 B)/3。
步骤S124,根据所述盒维数平均值和盒维数标准方差计算所述待检测数据样本的变异系数。
所述变异系数的计算公式为:
其中,D(t)为盒维数分析样本,S.D(t)为盒维数分析样本的标准方差,D(t) av为盒维数分析样本的均值。
具体实施时,分别根据每个盒维数分析样本的平均值和标准方差计算变异系数。仍以上述例子作为说明,根据D(1) av、S.D(1)计算得到D(1)的变异系数C.V(1);根据D(2) av、S.D(2)计算得到D(2)的变异系数C.V(2)。
本实施例通过第二步长对得到盒维数序列进行分组,得到多个盒维数分析样本,并分别计算多个所述盒维数分析样本的平均值和标准方差,根据盒维数平均值和盒维数标准方差计算所述待检测数据样本的变异系数。与不经过经过第二步长分组得到的变异系数相对比,本实施例计算的变异系数的值更加精确,确保分析结果的准确性。
步骤S13,计算所述待检测数据样本的盒维数平均值和变异系数分别与标准盒维数平均值和标准变异系数的差值,得到两个第一计算值。所述标准盒维数和标准变异系数根据正常运行状态下旋转机械轴承的振动信号计算得到。
具体实施时,标准盒维数和标准变异系数的计算过程可以采用步骤S12中的方法,即,
采集正常运行状态下旋转机械轴承的振动信号,得到轴承振动信号的标准数据样本;
根据分形维数算法计算所述标准样本的盒维数和变异系数。
上述步骤中,通过分形维数算法计算标准样本得到标准盒维数。变异系数可根据公式三计算。
步骤S14,当任意一个所述第一计算值超过对应的误差范围时确定所述旋转机械轴承出现故障。
具体实施时,将每个盒维数平均值分别与标准盒维数进行比较,若任意一个盒维数平均值与标准盒维数的差值超过盒维数对应的误差范围时,确定当前运行的旋转机械轴承出现故障。如果盒维数正常,则将每个变异系数与标准变异系数进行比较,若任意一个变异系数与标准变异系数的差值超过变异系数对应的误差范围时,确定当前运行的旋转机械轴承出现故障。其中盒维数对应的误差范围可以认为是盒维数的正常波动范围。变异系数对应的误差范围可以认为是变异系数正常波动范围。
可以理解的,也可以先对多个盒维数分析样本的盒维数平均值进行平均值计算,然后再用计算得到的值与标准盒维数进行比较。同理,也可以先对多个盒维数分析样本的变异系数进行平均值计算,再与标准变异系数进行比较,这样就不用与标准值多次比较。
本实施例利用盒维数和变异系数作为特征向量刻画轴承故障状态,其模式描述和区计算简单、分能力强,能精确的监测到故障的发生、可靠性高。且根据比较法确定转机械轴承是否出现故障,其运算过程简单,能够顾快速确定故障。
实施例2
为了进一步了解本发明的技术方案,下面以一个具体实施例进行说明,包括步骤S1~S6:
步骤S1:采集旋转机械轴承正常工况下的振动信号,如附图3a~3c,得到3个标准数据样本;
步骤S2:将标准数据样本{xi|i=1,2,…,n}按照第一步长cellmax进行分组得到多个振动信号分析样本X(k);
步骤S3:计算不同标度δ下的标准数据样本X(k)总盒数Nδ(如式一);进而计算盒维数Dimk B(如式二),得到盒维数序列{Dimk B|k=1,2,…,ceil(n/cellmax)};
步骤S4:按步长W将{Dimk B|k=1,2,…,ceil(n/cellmax)}分组,计算盒维数序列{Dimk B}的盒维数平均值D(t)和变异系数C.V(t))。三个标准数据样本的计算结果如表1所示,其中标准数据样本的D(t)的均值为1.720035,其变异系数为0.42%,分别作为标准盒维数和标准变异系数。
步骤S5:将(D(t),C.V(t))=(1.72,0.0042)作为外圈正常工况标准模式的特征向量;
步骤S6:实时采集运行状态下预设时间段内的旋转机械轴承的振动信号,如附图3d,得到将待检数据样本,按照步骤S2~S4,得到特征向量(D(t),C.V(t))=(1.69,0.0318);
表1.标准数据样本及待检测数据样本的盒维数即变异系数
其中,待检测数据样本的盒维数平均值D(t)与标准盒维数的差值在误差范围内(0.2),而检测数据样本的变异系数与标准变异系数差别较大,超过了误差范围(0.01),因而可判断当前运行的旋转机械轴承出现故障。由此可知,结合盒维数和变异系数可快速、精确的监测到旋转机械轴承的故障,可靠性高。
实施例3
请参阅图4,为本发明第三实施例中的旋转机械轴承故障诊断方法,其在第一实施例的基础上,还包括步骤S21~S26。
具体实施时,可预先采集各个故障状态下旋转机械轴承的振动信号,得到多个故障状态数据样本。对多个故障状态数据样本根据分形维数算法进行分析,其计算每个故障状态数据样本的盒维数和变异系数,即得到故障盒维数和故障变异系数。本实施例以一个故障状态数据样本进行说明。
步骤S21,计算所述待检测数据样本的盒维数平均值和变异系数分别与故障盒维数和故障变异系数的差值,得到两个第二计算值。所述故障盒维数和故障变异系数根据故障状态下旋转机械轴承的振动信号计算得到。
其中,每个故障状态数据样本的故障盒维数和故障变异系数的计算步骤为:
步骤S221,将故障状态数据样本按照第一步长分组得到多个振动信号分析样本。
步骤S222,计算每个所述振动信号分析样本的盒维数,得到盒维数序列。
步骤S223,将所述盒维数序列按照第二步长进行分组得到多个盒维数分析样本,分别计算多个所述盒维数分析样本的盒维数平均值和盒维数标准方差;
步骤S224,根据所述平均值和所述标准方差计算所述故障状态数据样本的变异系数。
将计算得到的多个所述盒维数分析样本的盒维数平均值进行平均值计算,得到的值即为故障盒维数。将多个所述盒维数分析样本计算得到的变异系数求取平均值,即得到故障变异系数。
步骤S22,当第二计算值在对应的误差范围时,确定所述旋转机械轴承处于所述故障状态。
本实施例通过将所述待检测数据样本的盒维数平均值和变异系数分别与故障盒维数和故障变异系数进行比对,以确定所述旋转机械轴承所处的故障状态。将机械设备实际运行过程中计算得到的待检测数据样本的盒维数平均值和变异系数分别与各个故障状态下的故障盒维数和故障变异系数进行对比,当待检测数据样本的盒维数平均值和变异系数与某一故障盒维数和故障变异系数的差值均在对应的误差范围内,则认为当前运行的旋转机械轴承所处的故障状态,即实现对旋转机械轴承的故障诊断。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种旋转机械轴承故障诊断方法,其特征在于,包括:
实时采集当前运行状态下的旋转机械轴承的振动信号,并将预设时间段内的多个振动信号作为待检测数据样本;
将所述待检测数据样本进行分组,根据分形维数算法计算每组数据的盒维数,并计算盒维数平均值和变异系数;
将所述待检测数据样本的盒维数平均值和变异系数分别与标准盒维数和标准变异系数进行比较,以确定所述确定所述旋转机械轴承的状态,其中,所述标准盒维数和标准变异系数根据正常运行状态下旋转机械轴承的振动信号计算得到。
2.如权利要求1所述的旋转机械轴承故障诊断方法,其特征在于,所述将所述待检测数据样本的盒维数平均值和变异系数分别与标准盒维数和标准变异系数进行比较,以确定所述确定所述旋转机械轴承的状态的步骤包括:
计算所述待检测数据样本的盒维数平均值和变异系数分别与标准盒维数和标准变异系数的差值,得到两个第一计算值;
当任意一个所述第一计算值超过对应的误差范围时确定所述旋转机械轴承出现故障。
3.如权利要求2所述的旋转机械轴承故障诊断方法,其特征在于,将所述待检测数据样本进行分组,根据分形维数算法计算每组数据的盒维数,并计算盒维数平均值和变异系数的步骤包括:
将所述待检测数据样本按照第一步长分组得到多个振动信号分析样本;
计算每个所述振动信号分析样本的盒维数,得到盒维数序列;
将所述盒维数序列按照第二步长进行分组得到多个盒维数分析样本,分别计算多个所述盒维数分析样本的平均值和标准方差;
根据所述平均值和所述标准方差计算所述数据样本的变异系数。
4.如权利要求3所述的旋转机械轴承故障诊断方法,其特征在于,所述盒维数Dimk B的计算公式为:
<mrow>
<msub>
<mi>N</mi>
<mi>&delta;</mi>
</msub>
<mrow>
<mo>(</mo>
<msup>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&Sigma;</mi>
<mi>c</mi>
<mi>e</mi>
<mi>i</mi>
<mi>l</mi>
<mo>&lsqb;</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
<mi>&delta;</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>X</mi>
<mrow>
<mi>m</mi>
<mi>&delta;</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mi>&delta;</mi>
<mo>-</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>&lsqb;</mo>
<msubsup>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
<mi>&delta;</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>X</mi>
<mrow>
<mi>m</mi>
<mi>&delta;</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>/</mo>
<mi>&delta;</mi>
<mo>&rsqb;</mo>
<mo>;</mo>
</mrow>
<mrow>
<msubsup>
<mi>Dim</mi>
<mi>B</mi>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<mo>-</mo>
<munder>
<mi>lim</mi>
<mrow>
<mi>&delta;</mi>
<mo>&RightArrow;</mo>
<mn>0</mn>
</mrow>
</munder>
<mfrac>
<mrow>
<mi>ln</mi>
<mi> </mi>
<msub>
<mi>N</mi>
<mi>&delta;</mi>
</msub>
<mrow>
<mo>(</mo>
<msup>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>l</mi>
<mi>n</mi>
<mi>&delta;</mi>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
其中,x(k)为第k个振动信号分析样本,δ为盒子的边长,Nδ为分析样本X(k)的总盒数,m为标度数。
5.如权利要求3所述的旋转机械轴承故障诊断方法,其特征在于,所述变异系数的计算公式为:
<mrow>
<mi>C</mi>
<mo>.</mo>
<msup>
<mi>V</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>=</mo>
<mi>S</mi>
<mo>.</mo>
<msup>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>/</mo>
<msubsup>
<mi>D</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mrow>
其中,D(t)为第t个盒维数分析样本,S.D(t)为第t个盒维数分析样本的准差,D(t) av为第t个盒维数分析样本的盒维数均值。
6.如权利要求1所述的旋转机械轴承故障诊断方法,其特征在于,计算所述标准盒维数和标准变异系数的步骤包括:
采集正常运行状态下旋转机械轴承的振动信号,得到轴承振动信号的标准数据样本;
根据分形维数算法计算所述标准样本的盒维数和变异系数,以得到所述标准盒维数和标准变异系数。
7.如权利要求1所述的旋转机械轴承故障诊断方法,其特征在于,所述确定所述轴承出现故障的步骤之后还包括:
将所述待检测数据样本的盒维数平均值和变异系数分别与故障盒维数和故障变异系数进行比对,以确定所述旋转机械轴承所处的故障状态,所述故障盒维数和故障变异系数根据故障状态下旋转机械轴承的振动信号计算得到。
8.如权利要求1所述的旋转机械轴承故障诊断方法,其特征在于,计算所述故障盒维数和故障变异系数的步骤包括:
采集多种故障状态下旋转机械轴承的振动信号,得到多个故障状态数据样本;
根据分形维数算法计算所述故障状态数据样本的盒维数和变异系数,以得到所述故障盒维数和故障变异系数。
9.如权利要求1所述的旋转机械轴承故障诊断方法,其特征在于,所述旋转机械轴承的振动信号通过振动传感器采集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710806556.3A CN107515118B (zh) | 2017-09-08 | 2017-09-08 | 旋转机械轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710806556.3A CN107515118B (zh) | 2017-09-08 | 2017-09-08 | 旋转机械轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107515118A true CN107515118A (zh) | 2017-12-26 |
CN107515118B CN107515118B (zh) | 2019-10-18 |
Family
ID=60725415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710806556.3A Active CN107515118B (zh) | 2017-09-08 | 2017-09-08 | 旋转机械轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107515118B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109100117A (zh) * | 2018-07-04 | 2018-12-28 | 惠科股份有限公司 | 一种变异数值的检测方法 |
CN110427918A (zh) * | 2019-08-15 | 2019-11-08 | 国网重庆市电力公司电力科学研究院 | 一种电子式电力互感器的故障分类方法及可读存储介质 |
CN111060324A (zh) * | 2018-10-16 | 2020-04-24 | 中国石油天然气股份有限公司 | 燃气轮机故障诊断方法及装置 |
CN113310666A (zh) * | 2021-04-26 | 2021-08-27 | 安徽建筑大学 | 一种基于发光特征的led灯具故障诊断方法与装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102331348A (zh) * | 2011-06-09 | 2012-01-25 | 河南科技大学 | 一种转盘轴承启动摩擦力矩特征变异的评估方法 |
CN103487250A (zh) * | 2013-10-08 | 2014-01-01 | 中国矿业大学(北京) | 基于二维投射的煤矿设备预知维护方法 |
CN104155108A (zh) * | 2014-07-21 | 2014-11-19 | 天津大学 | 一种基于振动时频分析的滚动轴承故障诊断方法 |
CN105424365A (zh) * | 2015-11-23 | 2016-03-23 | 北京信息科技大学 | 一种滚动轴承故障迁移轨迹可视化的方法 |
CN105784364A (zh) * | 2016-03-02 | 2016-07-20 | 西安交通大学 | 基于总体经验模式分解与分形盒维数的轴承故障诊断方法 |
CN105910823A (zh) * | 2016-06-21 | 2016-08-31 | 上海电机学院 | 一种滚动轴承故障诊断方法 |
-
2017
- 2017-09-08 CN CN201710806556.3A patent/CN107515118B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102331348A (zh) * | 2011-06-09 | 2012-01-25 | 河南科技大学 | 一种转盘轴承启动摩擦力矩特征变异的评估方法 |
CN103487250A (zh) * | 2013-10-08 | 2014-01-01 | 中国矿业大学(北京) | 基于二维投射的煤矿设备预知维护方法 |
CN104155108A (zh) * | 2014-07-21 | 2014-11-19 | 天津大学 | 一种基于振动时频分析的滚动轴承故障诊断方法 |
CN105424365A (zh) * | 2015-11-23 | 2016-03-23 | 北京信息科技大学 | 一种滚动轴承故障迁移轨迹可视化的方法 |
CN105784364A (zh) * | 2016-03-02 | 2016-07-20 | 西安交通大学 | 基于总体经验模式分解与分形盒维数的轴承故障诊断方法 |
CN105910823A (zh) * | 2016-06-21 | 2016-08-31 | 上海电机学院 | 一种滚动轴承故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
胡峰: "数控机床进给系统动态特性辨识与状态监测方法研究", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109100117A (zh) * | 2018-07-04 | 2018-12-28 | 惠科股份有限公司 | 一种变异数值的检测方法 |
US11486765B2 (en) | 2018-07-04 | 2022-11-01 | HKC Corporation Limited | Method for detecting variation value |
CN111060324A (zh) * | 2018-10-16 | 2020-04-24 | 中国石油天然气股份有限公司 | 燃气轮机故障诊断方法及装置 |
CN110427918A (zh) * | 2019-08-15 | 2019-11-08 | 国网重庆市电力公司电力科学研究院 | 一种电子式电力互感器的故障分类方法及可读存储介质 |
CN113310666A (zh) * | 2021-04-26 | 2021-08-27 | 安徽建筑大学 | 一种基于发光特征的led灯具故障诊断方法与装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107515118B (zh) | 2019-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lebold et al. | Review of vibration analysis methods for gearbox diagnostics and prognostics | |
CN107515118A (zh) | 旋转机械轴承故障诊断方法 | |
Wang et al. | Support vector data description for fusion of multiple health indicators for enhancing gearbox fault diagnosis and prognosis | |
Saidi et al. | Bi-spectrum based-EMD applied to the non-stationary vibration signals for bearing faults diagnosis | |
CN106338385B (zh) | 一种基于奇异谱分解的旋转机械故障诊断方法 | |
US6629058B2 (en) | Fault diagnosis method and apparatus | |
Wegerich | Similarity based modeling of time synchronous averaged vibration signals for machinery health monitoring | |
JP2931187B2 (ja) | ポンプ劣化診断システム | |
Saidi et al. | The use of SESK as a trend parameter for localized bearing fault diagnosis in induction machines | |
CN107101827A (zh) | 一种低速重载齿轮裂纹故障在线检测方法 | |
Alsalaet et al. | Bearing fault diagnosis using normalized diagnostic feature-gram and convolutional neural network | |
CN110573845B (zh) | 检测振动传感器中缺陷的方法、相关设备和计算机程序 | |
Lybeck et al. | Validating prognostic algorithms: a case study using comprehensive bearing fault data | |
DE102017104414B3 (de) | Verfahren und Vorrichtung zum Bestimmen eines Indikators für eine Vorhersage einer Instabilität in einem Verdichter sowie Verwendung | |
CN112465068A (zh) | 一种基于多传感器数据融合的旋转设备故障特征提取方法 | |
CN110749443B (zh) | 一种基于高阶原点矩的滚动轴承故障诊断方法及系统 | |
Juuso et al. | Intelligent condition monitoring using vibration signals | |
CN113487141B (zh) | 一种多源信息聚类融合的轴承状态评估方法 | |
Oh et al. | Development of a system for diagnosing faults in rotating machinery using vibration signals | |
Doguer et al. | New time domain method for the detection of roller bearing defects | |
JP7415850B2 (ja) | 構造系異常診断装置および構造系異常診断方法 | |
Baqqar et al. | Data mining for gearbox condition monitoring | |
CN107621367A (zh) | 一种滚动轴承损伤程度评估方法 | |
JPH01270623A (ja) | 回転機の振動診断装置 | |
Amarnath et al. | Fault diagnosis of helical gearbox using decision tree and best-first tree |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |